Os modelos hierárquicos podem ser utilizados sempre que os objetos de análise estiverem
aninhados em um contexto27, como aqueles em que as firmas estão inseridas em setores
de atividade. Assim, se os objetos e os contextos podem ser organizados em níveis hierárquicos onde se tem um primeiro nível (tempo); no segundo nível com objetos (firmas); e um terceiro nível com contexto (indústrias), pode-se considerar os dados como
27 Para essa estrutura, o uso de regressões múltiplas viola a premissa de independência das observações causando subestimações nos erros padrão, podendo gerar resultados equivocadamente significativos (HOX, 2002).
hierárquicos (BICKEL, 2007; GOLDSZMIDT, 2007).
A seguir, é proposto um modelo para explicação da variância do retorno operacional (ROIC) da firma e da tendência ao longo do tempo. O modelo foi formalizado nas equações 11, 12, 13 e 14. Sendo estimado em etapas (Modelos I, II, III e IV), com o propósito de discutir a contribuição relativa (incremental) de cada termo adicionado ou mudanças nos modelos.
Foram estimados quatro modelos, partindo do modelo nulo, que tem como objetivo identificar a aplicabilidade da perspectiva multinível para a análise das relações entre as variáveis que compõem o modelo.
A análise de modelos hierárquicos ocorre por fases, sendo que a primeira é a estimação por um modelo nulo, assim denominado, por utilizar somente o intercepto e permitir verificar, a partir de sua estimação, a parcela da variância em cada firma, entre firmas e entre setores. O efeitos desses diferentes níveis serão analisados a partir da utilização do modelo nulo, o qual é composto pelo seguinte conjunto de equações:
Modelo I – Modelo nulo
= + = + = + (11) Nível 1 (tempo)
: desempenho representado retorno operacional, no período (trimestre) i: 1,2..., Ijk; da firma j: 1,2..., Jk; no setor k: 1,2..., K;
: retorno operacional esperado (média) da firma ij no período 1 (1996); e
: variância do retorno operacional observado da firma j no período i, em relação ao seu desempenho operacional.
Nível 2
(firma)
: média do retorno operacional esperado das firmas em 1996, no setor k; e : variância do retorno operacional da firma j, ao esperado das firmas no setor k.
Nível 3
(indústria)
: retorno operacional esperado do setor em 1996 (média amostra); e
: variância do retorno operacional do setor k em relação à média amostra em 1996.
Nos modelos a seguir (II e III), foi incluído um componente de tendência (variação ao longo do tempo) no nível 1. O primeiro não inclui efeitos aleatórios, com o propósito de
verificar se o retorno operacional da firma segue tendência temporal linear; enquanto o modelo seguinte apresenta a inclusão de efeitos aleatórios e testa se há variância significativa da tendência do retorno operacional entre as firmas ao longo do tempo.
Modelo II – Modelo com tendência linear de efeitos fixos
= + + = + = = + (12) Nível 1 (tempo)
: desempenho representado retorno operacional, no período (trimestre) i: 1,2..., Ijk; da firma j: 1,2..., Jk; no setor k: 1,2..., K;
: retorno operacional esperado (média) da firmaij no período 1 (1996);
: taxa de crescimento do retorno operacional da firmajk;
: inclusão do efeito da tendência no retorno operacional inserindo na variável trimestre; e
: variância do retorno operacional observado da firma j no período i, em relação ao seu desempenho operacional.
Nível 2
(firma)
: média dos retorno operacional esperado das firmas em 1996 no setor k; e : variância do retorno operacional da firma j ao esperado das firmas no setor k.
Nível 3
(indústria)
: retorno operacional esperado do setor em 1996 (média amostra); e
: variância do retorno operacional do setor k em relação à média da amostra em 1996;
No modelo II, foi fixado o coeficiente de tendência, o que faz com que todas as firmas apresentem uma única tendência linear, diferenciando apenas os interceptos com resíduos , com a mesma inclinação. Essa abordagem considera as mudanças nas medidas do retorno operacional ao longo do tempo como uma tendência temporal linear, ou seja, a tendência como efeito fixo; já o modelo III considera como tendência de efeitos aleatórios entre os setores de atividade.
Entretanto, o que foi proposto no Modelo II, pode não corresponder à realidade, visto que diferentes firmas podem apresentar diferentes tendências de resultado operacional. O mais provável é que as firmas não tenham o mesmo padrão de evolução do desempenho operacional, enquanto algumas formas podem melhorar; outras podem apresentar redução
do desempenho operacional. Assim, presumindo que diferentes firmas apresentam diferentes retornos operacionais, desenvolveu-se o modelo com tendência e efeitos aleatórios, o qual se diferencia do anterior pela inclusão de efeitos aleatórios. A inclusão de efeitos aleatórios das variáveis permite que os coeficientes angulares dos modelos diferenciem-se entre si, conforme equação a seguir.
A principal diferença entre o modelo III com relação ao modelo II, reside no fato de que no segundo há uma tendência aleatória para todos as firmas enquanto que, naquele, o
termo aleatório é introduzido de maneira fixa, ou seja, no modelo III, o retorno de
cada firma pode apresentar um desvio em relação a tendência média.
Modelo III – Modelo com tendência linear de efeitos aleatórios
= + + = + = + = + = + (13) Nível 1 (tempo)
: desempenho representado retorno operacional, no período (trimestre) i: 1,2..., Ijk; da firma j: 1,2..., Jk; no setor k: 1,2..., K;
: retorno operacional esperado (média) da firmaij no período 1 (1996);
: taxa de crescimento do retorno operacional da firmajk ;
: inclusão do efeito da tendência no retorno operacional é efeita inserindo a variável trimestre; e
: variância do retorno operacional observado da firma j no período i, em relação ao seu desempenho operacional.
Nível 2
(firma)
: média do retorno operacional esperado das firmas em 1996, no setor k; : média da taxa de crescimento esperada no setor k; e
: variância do retorno operacional da firma j ao esperado das firmas no setor k.
Nível 3
(indústria)
: retorno operacional esperado do setor em 1996(média amostra); e
Por conseguinte, inserem-se variáveis preditoras no modelo de estimação, cujos resultados serão comparados com o modelo anterior, de forma a explicar o modelo final, em termos da variância das variáveis estudadas.
São inseridas no nível da firma variáveis que representam subgrupos patrimonial, com a inclusão de efeito tendência em relação ao retorno operacional da firma (j), no setor (k) com efeitos fixos ao longo do período estudos, sendo assim representado:
Modelo IV – Modelo com tendência linear de efeitos aleatórios inserindo proxies contábeis. = + + = + BP+ = + = + + = + (14) Nível 1 (tempo)
: desempenho representado retorno operacional, no período (trimestre) i: 1,2..., Ijk; da firma j: 1,2..., Jk; no setor k: 1,2..., K;
: retorno operacional esperado (média) da firmaij no período 1 (1996);
: taxa de crescimento do retorno operacional da firmajk ;
: inclusão do efeito da tendência no retorno operacional é efeita inserindo a variável trimestre; e
: variância do retorno operacional observado da firma j no período i, em relação ao seu desempenho operacional
Nível 2
(firma)
: média do retorno operacional esperado das firmas em 1996, no setor k; : média da taxa de crescimento esperada no setor k;
BP : variável preditora, capturando a relação entre grupo patrimonial (BP) com a tendência do retorno operacional da firma (i) no setor (k), sendo rodadas regressões para cada subgrupo patrimonial: Ativo Circulante Financeiro (ACF); Ativo Circulante Operacional (ACO); Ativo Realizável a Longo Prazo (ARLP); Ativo Permanente (APER); Passivo Circulante Financeiro (ACF); Passivo Circulante Operacional (ACO); Passivo Exigível a Longo Prazo (PELP); e Patrimônio Líquido (PL);
: variância do retorno operacional da firma j ao esperado das firmas no setor k;
Nível 3
(indústria)
: retorno operacional esperado do setor em 1996 (média amostra);
: inclusão do características do setor é inseridas separadamente para verificar o herfindahl-hirshmann (HHI), com o propósito de verificar o grau de concentração
do setor (k); o Dinamismo do Setor (DIN), para verificar o grau de imprevisibilidade do setor; e a Variável Tamanho Centrada (TAM), com a finalidade de verificar o efeito do tamanho no modelo; e
: variância do retorno operacional do setor k em relação à média amostra em 1996.
Os modelos hierárquicos definidos, foram organizados como modelos aninhados, o permite uma comparação entre os resultados apresentados pelos modelos definidos, o que possibilita, adicionalmente, uma análise incremental, a fim de estimar a importância relativa da firma e do setor para o estudo da fonte da vantagem competitiva. E, ainda, as variáveis atribuídas aos setores serão modeladas como efeito moderador entre variáveis de recursos e de desempenho operacional da firma.
6 SELEÇÃO E TRATAMENTO DOS DADOS
Neste capítulo, são apresentados os critérios para definição da amostra e do tratamento
dos dados; a estatística descritiva dos dados que estão segregados em variável dependente e independentes, as quais foram subdividas em fatores endógenos e características exógenas à firma.
6.1 SELEÇÃO DA AMOSTRA E TRATAMENTO DOS DADOS
A amostra foi extraída do banco de dados da Economatica®, empresa especializada em
informações para o mercado de capitais, referindo-se às firmas que tiveram suas demonstrações contábeis publicadas no período de janeiro de março de 1996 a setembro de 2014, em períodos trimestrais, conforme Tabela 2.
Foram selecionadas firmas de todos os setores da Bovespa (exceto bancos e fundos,
software e dados28 e setores denominados “outros”) e, em seguida, essas firmas foram
agrupadas de acordo com a classificação da North American Industry Classification
System (NAIC), sendo excluídas das amostras aquelas que não apresentavam pelo menos
um dos seguintes dados: total do ativo, ativo circulante financeiro, ativo circulante operacional, ativo realizável a longo prazo, ativo permanente, passivo circulante financeiro, passivo circulante operacional, passivo não circulante, patrimônio líquido,
receita bruta de vendas29 e ROIC.
A partir desses dados, foram calculados a composição do balanço patrimonial, a relação percentual entre o grupo de contas com os ativos ou passivos mais patrimônio líquido e os índices de concentração e de dinamismo do setor, conforme Equações 1 a 4 expressas nos índices de competição e dinamismo do mercado e índices de dinamismo ambiental apresentados nos itens 2.6.1 e 2.6.2 desta tese.
28 Por conter série inferior ao período da pesquisa.
29 As demonstrações contábeis publicadas evidenciaram a receita bruta operacional até o exercício de 2009. Por força da adoção do IFRS, as empresas passaram a publicar, a partir de 2010, somente a receita líquida operacional. Portanto, a partir de 2010, foi estimada a receita bruta operacional com base na receita líquida e as deduções da receita de exercícios anteriores para cada firma da amostra.
Tabela 2: Amostra inicial e seu ajustamento das firmas no mercado brasileiro, referente a dados trimestrais, no período de março de 1996 a setembro de 2014(i)
Fonte: Empresas do setor brasileiro – Bovespa (Economatica).
Nota: (i) No ano de 2014, foi coletado até o terceiro trimestre; a indústria de agro e
pesca foi excluída da amostra por conter apenas uma firma (McGAHAN; PORTER, 1997); os setores finanças e seguros, bancos e fundos foram excluídos bancos e fundos, pois suas estruturas patrimoniais não são comparáveis com as dos outros setores (KALLAS, 2014) e software e dados, e setores classificados como “outros” foram excluídos da amostra (McGAHAN; PORTER, 1997); períodos trimestrais de março de 1996 a setembro de 2014 (19 anos).
Após a geração dessas métricas para tratamento das observações extremas da amostra, os
outliers, foram utilizadas as variáveis winsorizadas30. Tal método consiste na criação de uma nova variável, igual à original, exceto pelo fato de que os maiores e os menores valores de cada variável são substituídos pelo valor adjacente não extremo. A quantidade pode também ser substituída por uma certa proporção “p”. Neste trabalho, adotou-se p=0,01, ou seja, 2% das variáveis foram considerados extremos, sendo 1% na parte inferior e 1% na parte superior.
A winsorização consiste em uma técnica de tratamento dos outliers da amostra desenvolvida por Barnett e Lewis (1994), que argumentam que a sua importância reside no fato de que, ao contrário de outras técnicas que excluem da amostra certas observações consideradas extremas, ela não joga nenhuma observação, apenas a torna menos extrema. Tal tratamento tem o propósito de criação de uma nova variável igual à original para toda
30 Barnett e Lewis (1994) apresentam esta técnica evidenciando que sua importância reside no fato de que, ao contrário de outras técnicas que excluem da amostra certas observações consideradas extremas, a winsorização não exclui nenhuma observação, apenas a torna menos extrema.
Obs:
Amostra inicial ge rada 53.925
Setores re tirados: Finanças e seguros 5.021 Fundos 223 Agro e pesca 216 Outros 10.713 Software 600 Subtotal 16.773
Dados ause ntes
Dados patrimoniais zerados 15.979
ROIC zerados 961
ROIC muito negativos 145
ROIC muito positivos 49
Subtotal 17.134
a amostra, exceto as observações de valores extremos, que são substituídas por valores não extremos.
Após esse procedimento, obteve-se a amostra final analisada. A Tabela 3 apresenta a quantidade de observações das firmas listadas no mercado de capitais brasileiros agrupadas em 16 setores de atividades, com a quantidade de observações que foram
winsorizadas para cada setor de atividade.
Tabela 3: Quantidade de observações das empresas do mercado brasileiro, agrupadas conforme a classificação por setor de atividade NAIC(1), referentes ao
período de 1996 a 2014, por trimestre, após ajustes na amostra - dados winsorizados por setor a 1%
Nota: (1) classificação North American Industry Classification System (NAIC); (2) No ano de 2014, foi coletado até o terceiro trimestre; o setor de agro e pesca de
finanças e seguros, bancos e fundos, softwares e dados, e setores classificados como “outros” foram excluídos da amostra; períodos trimestrais de março de 1996 a setembro de 2014 (19 anos). (ii) setores de atividade: Alimentos e Bebidas (AB); Comércio (CM); Construção (CT); Eletroeletrônicos (EL); Energia Elétrica (EE); Máquinas Industriais (MA); Mineração (MI); Minerais Não Metálicos (MN); Papel e Celulose (PC); Petróleo e Gás (PG); Química (QM); Siderurgia e Metalurgia (SD); Telecomunicações (TL); Têxtil (TX); Transporte Serviços (TS); Veículos e Peças (VP); (iii) Os valores winsorizados se referem às variáveis alteradas nos extremos superior e inferior. Fonte: Empresas do setor brasileiro – Bovespa (Economatica).
Total Wins 1 AB 109 100 99 107 97 82 70 68 70 63 62 78 77 74 74 74 73 67 48 1492 29 2 CM 37 47 47 65 64 63 63 58 60 64 59 62 60 60 64 75 72 71 54 1145 22 3 CT 26 29 42 62 63 66 66 63 60 55 72 120 121 120 108 107 99 95 68 1442 28 4 EL 56 52 53 53 46 41 36 33 29 28 32 36 35 31 28 27 28 28 20 692 13 5 EE 81 88 128 159 177 176 181 182 183 183 199 202 220 220 225 224 219 217 164 3428 68 6 MA 38 37 35 32 29 24 24 22 20 20 16 20 20 20 20 20 19 19 12 447 8 7 MI 16 16 18 20 18 16 16 16 16 16 19 18 21 19 28 24 22 22 12 353 7 8 MN 20 20 23 32 32 24 24 21 17 15 12 12 12 12 12 13 12 12 9 334 6 9 PC 28 28 29 34 35 37 36 36 33 32 30 28 28 26 20 20 20 19 15 534 10 10 PG 24 24 26 32 32 32 31 28 28 28 29 28 21 19 25 28 28 22 14 499 9 11 QM 130 130 121 117 110 111 100 87 79 78 66 65 60 56 54 47 40 44 34 1529 30 12 SD 126 125 133 153 157 149 145 136 125 118 118 114 101 99 92 91 85 84 60 2211 44 13 TL 34 40 109 127 115 106 109 114 112 108 74 82 82 81 64 60 50 38 26 1531 30 14 TX 94 103 108 126 122 115 115 114 111 107 107 105 99 100 107 104 98 92 66 1993 39 15 TS 14 14 24 38 43 38 58 57 57 61 62 69 70 72 80 76 69 72 50 1024 20 16 VP 84 84 80 82 85 85 77 69 68 64 67 70 65 60 66 75 70 69 44 1364 27 Obs: 917 937 1075 1239 1225 1165 1151 1104 1068 1040 1024 1109 1092 1069 1067 1065 1004 971 696 20018 Média 54 55 64 73 73 69 68 65 64 62 61 66 65 64 64 64 60 58 42 1,190 Observações 1996 1997 1998 1999 2000 2001 2002 2003 2004 2005 2006 2007 2008 2009 2010 2011 2012 2013 2014